OpenAI 研究：智能体安全评估与生产环境存在行为差距，评估目标误判是关键因素
OpenAI 比较 GPT-5.6 Luna/Sol、GPT-6 Luna/Sol/Astra 和 GPT-6.1 Sol 六款模型在 Respecting Warnings 安全评估与 Codex 生产环境中的表现，发现评估成功率一致低于生产环境，差距为 10.2 到 37.4 个百分点。
推荐理由：OpenAI 用六款模型对比安全评估与生产环境行为，发现评估成功率反而更低，并指出评估目标误判是主要解释。
#评测/基准
OpenAI：Alignment 研究博客精选AI 评分7171
Artificial Analysis 完整文章精选AI 评分6060 Artificial Analysis 发布 AA-Robotics v0.1 基准，测试语言模型控制机械臂
Artificial Analysis 发布 AA-Robotics v0.1 研究预览基准，让前沿大模型在 coding agent 框架中直接控制一台 6 轴机械臂完成 8 项桌面任务。
推荐理由：原文公布了完整分任务得分、用时与成本数据，可据此比较各前沿模型在真实机械臂任务上的表现差距。
OpenRouter：Announcements精选AI 评分6161 OpenRouter 推出 Model Router Benchmarks 模型路由器基准页面
OpenRouter 推出 Model Router Benchmarks 页面，用质量、速度和成本基准对比多家模型路由器，并以顶尖单模型作基线。
推荐理由：原文给出 Router Index 的质量、速度、成本权重和各类路由器的实测对比，读者可据此判断何时用模型路由器替代单一模型。
Sierra：Blog精选AI 评分6363 Sierra 开源 Hyper-𝜏-bench：评估模型构建智能体的能力
Sierra 开源 Hyper-𝜏-bench（论文名 𝜏^𝜏-bench），一个长程智能体评测，衡量模型不仅能当客服智能体、还能从证据中恢复规格、设计架构并构建可用智能体的能力。
推荐理由：原文给出构建型智能体评测的设计与前沿成绩，还归纳了开发者智能体的五类失败模式，可帮助读者理解模型自主构建智能体的真实短板。
OpenAI：部署安全与系统卡精选AI 评分7777 OpenAI 发布 GPT-6 Astra 系统卡：按 High 能力对待，披露监控规避与沙箱逃逸评测
OpenAI 发布 GPT-6 Astra 系统卡，将其在生物与化学领域按 High 能力预防性对待，但未达 Critical 阈值。
推荐理由：官方系统卡披露了被测模型在隐蔽 sandbagging、CoT 监控规避上的实测数据，读者可据此评估其监控可靠性结论。
Transluce精选AI 评分6868 Transluce 发布心理健康危机响应评测：5 万次模拟对话对比 77 个模型
Transluce 发布迄今规模最大的独立心理健康评测，模拟 5 万余次对话、超 100 万条消息，测试 2024 年 5 月至 2026 年 7 月发布的 77 个模型变体，覆盖 OpenAI、Anthropic、Google DeepMind、DeepSeek、Moonshot AI 等。
推荐理由：Transluce 用超 5 万次模拟对话和临床专家验证的行为框架测评心理健康回应，并开源数据集，读者可借此了解新一代模型安全性的具体变化。
Fireworks AI精选AI 评分7474 Fireworks 评测 DeepSeek V4 Pro 0813：SWE-Bench 95.2%，单任务成本约为 Fable 5 的三分之一
Fireworks AI 发布对 DeepSeek V4 Pro 0813 的评测，该模型在 SWE-Bench Verified 得 95.2%、LiveCodeBench v6 得 92.0%，均领先 Fable 5 和 Kimi K3，SWE-bench 单个解决任务成本 $0.309，约为 Fable 5（$0.808）的三分之一。
推荐理由：Fireworks 用同一套评测对比 V4 Pro 与 Fable 5 和 Kimi K3，给出逐任务成本数据，并说明 Java 弱项和 oracle 路由的上限含义。
Together AI 研究与产品博客精选AI 评分7575 Together AI 实测 GLM-5.3 对比 GPT-5.6 Sol：DeepSWE 上的成本、编码与路由分析
Together AI 在 DeepSWE 全部 113 个任务上各跑 4 次试验、共 904 次 rollout，对比 GLM-5.3 (max) 与 GPT-5.6 Sol (max)。
推荐理由：原文用 904 次 rollout 对比两个模型在成本、失败模式和路由策略上的差异，给出了可复用的级联调用方案。
Together AI 研究与产品博客精选AI 评分7171 Together AI 实测 DeepSeek-V4 Flash 0731 与 GPT-5.6 Luna 的 DeepSWE 成本与编码表现
Together AI 在 DeepSWE 全部 113 个任务上各跑 4 次实测 DeepSeek-V4 Flash 0731 与 GPT-5.6 Luna，Luna pass@1 达 67.2%，约为 DeepSeek（53.3%）的 6 倍成本（$0.61 对 $0.10）。
推荐理由：原文用同一跑分实测两款模型的成本与质量取舍，并给出可复用的级联组合方法，适合按技术栈选型的读者参考。
Cognition 模型 / Devin 博客精选AI 评分6363 Cognition 发布 FrontierCode 基准，衡量模型能否写出可合并的生产级代码
Cognition 发布 FrontierCode 基准，从正确性、测试质量、范围控制和代码风格等维度衡量模型产出能否被开源维护者合并。
推荐理由：原文给出新基准的评分方法与各家模型分数，读者可以据此了解现有模型在代码可合并性上的真实差距。
OpenAI：部署安全与系统卡精选AI 评分6868 OpenAI 发布 GPT-5.4 Thinking 系统卡，评估安全表现与 Preparedness 定级
OpenAI 发布 GPT-5.4 Thinking 系统卡，将本次发布在生物与化学领域定为 High 能力并启用相应 Preparedness 安全保障。安全评测显示其在禁止内容评估上与 gpt-5.2-thinking 大体持平，在非法非暴力活动和自残评估上有统计显著改进，动态心理健康多轮评估全面优于此前模型。
推荐理由：系统卡披露 GPT-5.4 Thinking 的安全评测、Preparedness 定级和 Apollo 外部对齐评估，可据此了解其风险定位与生物能力判定的依据。
已经到底了